通常，一旦一个模型被训练出来，我们也会对“它学到了什么”感兴趣。
例如，如果线性模型为我们认为重要的特征赋予零权重，则可能表明建模存在一些问题。线性模型的权重也可用作对“特征重要性”的估计。
这是我们可以从训练的模型中提取学习到的参数的方法：
// 第一步：将数据加载为IDataView。
// 检索训练数据。
var trainData = mlContext.Data.LoadFromTextFile<IrisInput>(irisDataPath,// 默认分隔符是tab，但数据集使用逗号。separatorChar: ','
);// 建立学习管道。
var pipeline =// 将所有特征串联到一列“Features”中。mlContext.Transforms.Concatenate("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth")// 请注意，标签是文本，因此需要将其转换为键。.Append(mlContext.Transforms.Conversion.MapValueToKey("Label"), TransformerScope.TrainTest)// 在缓存检查点阶段之后的步骤中缓存内存中的数据。.AppendCacheCheckpoint(mlContext)// 利用多类SDCA模型对标签进行预测。.Append(mlContext.MulticlassClassification.Trainers.SdcaMaximumEntropy());// 训练模型。
var trainedModel = pipeline.Fit(trainData);// 检查模型参数。
var modelParameters = trainedModel.LastTransformer.Model as MaximumEntropyModelParameters;// 现在我们可以使用“modelParameters”来查看权重。
// “weights”是一个权重向量数组，每个类一个向量。
// 我们的问题有3个类，所以numclass将是3，权重将包含3个向量（每个向量有4个值）。
VBuffer<float>[] weights = default;
modelParameters.GetWeights(ref weights, out int numClasses);// numClasses
// 3
// weights
// {float[4]} { float[4]} { float[4]}
// 2.45233274 0.181766108 -3.05772042
// 4.61404276 0.0578986146 -4.85828352
// - 6.934741 -0.0424297452 6.63682
// - 3.64960361 -4.072106 7.55050659// 同样，我们也可以检查3个类的偏差。
var biases = modelParameters.GetBiases();
// [0] 1.151999 float
// [1] 8.337694 float
// [2] -9.709775 float欢迎关注我的个人公众号”My IO“
 函数用法)
...)
(转))
